基于改进YOLOv5算法的农田杂草检测

随着智慧农业技术和大田种植技术的不断发展,自动除草具有广阔的市场前景。关于除草剂自动喷洒的有效性,农田杂草的精准、快速地识别和定位是关键技术之一。基于此提出一种改进的YOLOv5算法实现农田杂草检测,该方法通过改进数据增强方式,提高模型泛化性;通过添加注意力机制,增强主干网络的特征提取能力;通过改进框回归损失函数,提升预测框的准确率。试验表明,在芝麻作物和多种杂草的复杂环境下,本文方法的检测平均精度均值mAP为90.6%,杂草的检测平均精度AP为90.2%,比YOLOv5s模型分别提高4.7%和2%。在本文试验环境下,单张图像检测时间为2.8 ms,可实现实时检测。该研究内容可以为农田智能除草设备提供参考。     

基于深度学习的杂草识别方法研究进展

伴生杂草不仅与作物争夺养分和水分,而且还是多种病虫害的中间寄主,成为困扰作物高效生产的难题。随着深度学习技术的发展,杂草的自动检测和分类识别在清除杂草过程中得到重要应用。首先阐述应用于杂草识别过程中深度学习的硬件需求以及软件实现过程,分析用于深度学习不同硬件的优缺点,阐述深度学习模型建立、训练、模型评估以及模型部署等基本步骤;并重点论述深度学习方法在杂草和作物识别以及杂草分类识别的研究进展。然后指出深度学习数据需求量大,目前无通用数据集,杂草、作物相互遮挡,光照环境复杂,机器作业条件恶劣等情况下识别准确率低的问题。最后提出图像与光谱数据融合、杂草识别模型模块化、杂草长势预测、模型嵌入式部署研究将成为基于深度学习的杂草识别方法未来的研究方向。     

2019-nCoV特异性抗体在新型冠状病毒感染检测中的应用价值

《新型冠状病毒肺炎诊疗方案(试行第七版)》新增血清学抗体检测作为疑似病例的诊断方法.抗体检测具有采样方便、快速高效、高敏感性和高特异性的特点,与RT-PCR核酸检测互为补充,两者联合使用可显著提高不同病程COVID-19患者诊断的敏感性.综述了新型冠状病毒肺炎抗体检测的相关研究进展,探讨了2019-nCoV特异性抗体的...     

智能农田灌溉系统设计

基于AT89C51单片机,设计了基于土壤湿度监测的智能农田灌溉系统。整套系统由控制、传感、执行三部分构成,通过蓝牙将检测到的湿度值传输到单片机并在液晶屏上显示,可用于实时监控土壤的湿度。工作时通过对土壤湿度的采集和对比,当实际湿度低于设定下限或高于设定上限值时,单片机启动水泵工作或停止。     

结合注意力机制与YOLOv5的松材线虫病受害木检测

松材线虫病是我国近几十年来最严重的一种森林病害,加强疫情的监测迫在眉睫。本研究在自建数据集的基础上采用3种不同的注意力模块(CBAM、SE和CA)改进YOLOv5算法并结合数字正射影像图自动识别松材线虫病受害木,分别对比了改进模型CBAM-YOLOv5、SE-YOLOv5、CA-YOLOv5与YOLOv5模型的识别效果,实现了对变色松树和枯死疫木检测效果的提升。结果表明：3种注意力改进策略的变色松树查全率、平均精度和F1分数显著提高,查准率不逊色于YOLOv5模型;综合考量查全率和F1分数指标,SE-YOLOv5模型的变色松树和枯死疫木检测效果最好,其F1分数分别达到89.7%和76.9%,比原模型分别提高了5.5%和5.4%,其检测精度分别为91.7%和80.3%,较YOLOv5模型分别提升了4.7%和5.1%;在理想置信度阈值情况下3种注意力改进策略的变色松树和枯死疫木查全率均值分别为85.4%和76.6%,基本满足实际检测需求。对各注意力改进模型检测层的特征图和热力图进行剖析可以看出,嵌入注意力机制有利于提取高贡献度的特征成分,可以提升变色松树特征提取的准确性。因此,改进的YOL...     

基于无人机影像的山核桃单木检测及冠幅与树高的提取

针对经济林中树木的生长状况进行调查,有助于农户制定针对性的经营策略,提高经营效率。然而,由于山核桃树通常生长在山地环境下,使用传统的林业调查方法获取树木参数需要的人力资源和时间成本较高,而且在陡峭的山地环境中容易受到地形、植被和气象等因素的干扰。为了解决这一问题,提出了一种新的自动化方法——检测框投影法。该方法基于深度学习的目标检测算法对遥感图像中的树冠进行检测并生成检测框,再依据所得到的检测框获取树木位置和数量,并进一步提取单木的冠幅与树高等参数。在不同环境的山核桃种植林场进行的树冠检测实验结果表明,该方法使用的目标检测算法对山核桃树冠检测的总体平均精度和F1-score分别达到了85.5%与0.84;参数提取方面,在两处不同的山核桃种植林场选取了3处研究样地,并在每处样地选取并实地测量了50棵样本树木的冠幅和树高以验证参数提取精度,结果表明,使用检测框投影法预测冠幅与实测值的均方根误差、平均绝对误差和平均相对误差分别为0.469 m、0.313 m和5.7%,预测树高与实测值的均方根误差、平均绝对误差和平均相对误差分别为0.427 m、0.331 m和6.0%。提出的检测框投影法在...     

基于改进YOLOv5的特征抑制多尺度林火检测算法

森林火灾检测是保护森林生态系统的关键所在,可以为森林早期火灾判断与预防提供重要依据。如果能够尽可能地对森林火灾识别和检测,可以在很大程度上减少灾害发生频率及其造成的损失。基于无人机遥感图像的发展,林火的快速检测得到进一步提升,可以准确识别火灾,解决林火出现的复杂性问题。本研究针对航拍森林火灾识别遇到的背景环境复杂、林火检测识别精度偏低、局部检测效果不佳等问题,提出了一种加强视觉注意力的林火识别方法,此方法是基于YOLOv5模型改进的。该算法使用NAM attention对像素进行归一化,降低不太显著的特征权重,使目标不重要的信息得到抑制。另外本研究采用了ObjectBox,这是一种新颖的单阶Anchor-free,不仅可以平等地对待不同级别尺寸的目标,还能提升模型识别正确样本的能力,具有高度的泛化性能。采用Mosaic数据增强方式增强模型的泛化能力,提高模型识别小目标的准确率。同时引入新的定位损失函数CIOU,它可以有效地改善模型在面对复杂背景时的定位精度,提升网络识别的准确性。实验结果表明,在无人机遥感图像数据上,检测性能均优于YOLOv5算法,该算法使得林火的数据集平均精度提升了3...     

个性化推荐攻击检测模型研究

协同过滤是最核心、最典型的个性化推荐技术,广泛应用于电子商务,但其推荐结果对用户偏好信息的敏感性使得推荐系统易受到人为攻击,电子商务推荐安全成为个性化推荐能否成功应用的关键。作者先简要介绍了个性化推荐及推荐攻击的基本概念;而后分析比较了各种攻击检测模型。     

基于机器视觉边缘检测的园林喷药机器人导航线提取

导航路径的精确拟合是园林机器人自动化导航的关键,针对现有园林喷洒机器人仍是人工操作为主的现象,提出一种基于视觉边缘检测的导航路径拟合算法,用于指导园林喷药机器人的自动化导航.首先利用“化曲为直”的思想,截取拍摄图像的最后200像素行作为感兴趣区域;其次提出一种针对园林道路的灰度化因子,对图像进行灰度化处理;然后对图像进...